摘要
分布式拒绝服务（DDoS）攻击是目前最重要的网络安全问题之一，因为它们是对网络服务连续性和可访问性的最大威胁之一。网络流量量的增加，加上异构数据结构和攻击类型的变化，使得检测和缓解工作变得更加复杂。基于特征签名和静态规则集的传统方法并不充分，尤其对于未知和不断演变的攻击类型。近年来，深度学习技术已成为DDoS检测系统的强大替代方案，它们能够自动从高容量网络流量数据中提取特征。本研究试图通过考察其数据集、模型架构、评估指标和计算局限性，对基于深度学习的DDoS检测方法进行详细比较。综述表明，许多近期研究仅关注准确率，然而延迟、计算成本和能耗等关键系统参数的评估尚不充分。此外，泛化问题和对特定数据集的依赖造成了重要的安全隐患。在此背景下，本工作试图为资源感知、可泛化且具有实时性的DDoS检测系统定义未来的研究方向。
